基于RF-LSTM混合神经网络的固废焚烧烟气排放浓度预测研究

固废焚烧会产生有毒有害烟气,烟气排放浓度预测可以辅助固废焚烧工艺参数的高效调整。自编码器(Autoencoder,AE)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络是3种常见的人工神经网络,而随机森林(Random Forest,RF)是一种高度灵活的机器学习算法。基于RF和LSTM网络,构建混合神经网络模型,结合成都市某固废焚烧发电厂运行工况数据,开展氮氧化物(NO_(x))浓度预测与分析。结果表明,RF-LSTM模型的均方根误差、平均绝对误差较AE-LSTM模型分别减少38.58%、46.56%,较CNN-LSTM模型分别减少23.77%、31.96%;RF-LSTM模型的决定系数较AE-LSTM模型增加22.54%,较CNN-LSTM模型增加16.00%。原始样本进行插值补缺时,步长为3 h的RF-LSTM模型预测精度最高,能够有效预测NO_(x)排放浓度。

基于垃圾焚烧发电厂半干法烟气脱酸系统运行优化分析

以某垃圾焚烧发电厂为例,分析了半干法烟气脱酸系统脱酸效率的影响因素,对消石灰品质、石灰浆浓度、旋转雾化器转速、反应温度等多种工况优化调整后的效果进行了分析,总结出了既能提高烟气脱酸效率,又能降低消石灰单耗的运行控制方法。